通用方法 · 熟练
AI 搜索说的那句话，是谁放进去的
有些答案是被查出来的，有些是被做出来的
在 AI 搜索里问一件事，得到一个很笃定的答案 —— 值得多问一句：它是从多个独立来源里综合出来的，还是被一小批措辞高度相似的内容「喂」出来的？后者有一个正式的名字：GEO 投毒 —— 批量投放倾向性内容去操纵大模型的检索与推荐，把商业推广包装成客观答案。它已经被写进国家层面的 AI 安全风险分类。这一页给五条可实测的判据：看来源是否同质 · 看有没有商业动机 · 换个说法再问一次 · 看它敢不敢给可核出处 · 以及做内容的一方该走哪条正路。
方法 · 一图看懂
1
先分清两种答案 — 一种是检索到多个独立来源后综合的；一种是被少数几篇高度一致的内容推出来的。前者会给你可核的出处，后者往往只有「普遍认为」
2
看来源的「同质性」 — 同一个说法如果只出现在同一批措辞、结构、结论都高度相似的页面里，它更像是被投放过，而不是被验证过（独立来源的判据是「独立首发」，不是「多处可见」）
3
看它有没有商业动机 — 把一个具体产品 / 品牌包装成「客观答案」是投毒最典型的目的；反过来说，答案里若出现明确的商业指向，就要把它降级成一条待核信息
4
换个说法再问一次 — 用不同角度问同一件事。答案如果整体翻转，说明它依赖的语料很窄；如果核心结论稳定、来源也各自独立，可信度立刻上一档
5
做内容的一方：走可信源建设 — 真实经验、可核出处、不批量投同质内容；把自己的内容做成「别人引用时拿得出出处」的那一份，才是长期有效的做法
原理 · 为什么有效
生成式引擎优化（GEO）本来是件中性的事：通过内容治理、技术适配与可信源建设，让信息更容易被生成式引擎正确引用。它滑向「投毒」的拐点在动机与批量性 —— 当目标从「让真的东西被看见」变成「让某个结论被看见」，手段就会退化成批量投放倾向性内容，让模型在检索与推荐时反复读到同一个说法。它的机理建立在两个事实上：一是大模型在回答时会从检索回来的语料里做归纳，命中次数与措辞一致性会显著影响结论；二是「客观答案」这个形式本身会屏蔽读者的怀疑 —— 一条广告要花钱买，一句「根据多数资料」不用。所以国家级治理框架把它单列出来，不是因为它技术多高明，而是因为它隐蔽地干预公众认知：投毒的成本极低、可复制，而受害者连「被投放了」都不知道。对个人读者，这意味着「AI 说的」不再等于「被验证的」；对做内容的一方，这意味着「投得准」与「站得住」是两条路，而后一条才有复利。
适用场景
适用：习惯用 AI 搜索做消费决策、选工具、查健康与政策类信息的人 · 在做内容 / 做站 / 做品牌，想弄清「正规优化」与「投毒」边界的人 · 需要向同事或家人解释「为什么不能直接照抄 AI 说的」的人。⛔ 不适用：本页不教任何投放手法，也不提供「怎么让自己的内容更容易被引用」的操作清单 —— 那部分归另一条线（可信源建设与官方规则）。⚠️ 两条边界：「同质来源」不等于「一定是投毒」，垂直领域本来就来源稀少，判据要看「是不是同一批人写的同一套话术」而不是「来源少」；框架层面是风险分类，不是产品规则 —— 它说明这件事被国家层面看见并列为风险，不等于某个平台已经被处罚。
自测 · 5 问
我上一次照 AI 的答案做决定，能说出它引的是什么来源吗？
那个说法，我是从几个独立来源看到的，还是同一批页面反复说？
答案里有没有落到某个具体产品 / 品牌？我有没有把它当成客观结论？
同一件事我换个问法再问过吗？两次结论一致吗？
如果我自己也在做内容 —— 我投出去的是真实经验，还是同一套话术的副本？
怎么上手 · 验证步骤
按这个顺序做，先拿一件你正在纠结的事试一次：第一步用原问法问一次，把它引的来源逐条记下来，标出「能点开核验」的有几条；第二步把同一条说法用完全不同的措辞重问一次，对比两次结论是否一致；第三步点开其中一条来源，看它是不是原创首发，还是把别人的内容换了个标题；第四步如果答案指向某个具体产品，查这个产品与那些来源之间有没有利益关系；第五步把这次判断结论写一行留档，下次同类问题先看这一行。
同一件事试完对四条：① 我能说出这次答案背后有几个独立来源 ② 我至少核了一条来源的原创性（是首发还是转载） ③ 我做过一次换措辞重问并比对了结论 ④ 我对「答案里出现具体产品」这件事有了警觉 —— 四条里答得上三条，这套判读就装上了。